Los sistemas eléctricos constituyen pilares fundamentales para el desarrollo económico y social de cualquier nación, ya que permiten el acceso a servicios esenciales, impulsan la productividad y favorecen la equidad territorial \cite{bisaga2021mapping, garces2021lessons}. En este contexto, la transición hacia fuentes de energía renovable ha cobrado una relevancia creciente, posicionando a la energía solar como una alternativa estratégica gracias a su disponibilidad, sostenibilidad y reducción de costos.
A medida que su implementación se vuelve más accesible en términos tecnológicos y económicos, la precisión en la predicción de la radiación solar emerge como un insumo clave para maximizar la eficiencia y viabilidad de los sistemas fotovoltaicos . Contar con estimaciones fiables no solo mejora la planificación energética, sino que también permite una mejor gestión de la oferta y la demanda, especialmente en territorios con alta irradiación y bajos niveles de electrificación.
En el caso particular de Brasil, la energía solar representa una fuente abundante, limpia y con un potencial significativo de aprovechamiento. El impulso a investigaciones aplicadas en este campo no solo favorece la diversificación de la matriz energética nacional, sino que también contribuye a reducir la dependencia de los combustibles fósiles, avanzar hacia una transición energética justa y fortalecer la seguridad energética del país.
Además, Brasil se distingue por su extensión territorial y diversidad climática, lo que ha consolidado su compromiso con la sostenibilidad y la transición energética. Históricamente, la energía hidroeléctrica ha constituido la columna vertebral de su matriz energética, representando aproximadamente entre el 60 % y el 65 % de la generación total de electricidad. No obstante, en los últimos años, el país ha experimentado un crecimiento significativo en la adopción de fuentes como la energía solar y eólica, consolidando su liderazgo en el aprovechamiento de energías limpias .
El noreste de Brasil, una región históricamente marcada por desafíos socioeconómicos y pobreza energética, ha emergido como un epicentro estratégico para la generación de energía solar. Esta región presenta algunos de los índices más altos de irradiación solar a nivel mundial (ver figura 1). El mapa de Irradiación Normal Directa promedio a largo plazo en Brasil, que cubre el periodo de 1999 a 2018, ofrece un análisis detallado de la distribución espacial de la radiación solar en el país, destacando al noreste como una de las zonas con mayor potencial para el aprovechamiento de esta fuente renovable.
A continuación, los estados del noreste de Brasil y sus respectivas capitales:
Estado
Ciudad
Alagoas
Maceió
Bahia
Salvador
Ceará
Fortaleza
Maranhão
São Luís
Paraíba
João Pessoa
Pernambuco
Recife
Piauí
Teresina
Rio Grande do Norte
Natal
Sergipe
Aracaju
Además, factores como la intensidad de los vientos y los altos niveles de evaporación, evidenciados en diversos estudios, refuerzan el potencial fotovoltaico de esta región.
La figura 2 revela la capacidad de generación fotovoltaica en todo el territorio brasileño, subrayando particularmente el noreste. Por otro lado, se presentan los totales diarios y anuales promedio de producción de una planta conectada a la red con un potencial pico de \(1;kW\), calculados a partir de un periodo reciente de 20 años (1999–2018).
Code
import plotly.express as pximport plotly.graph_objects as goimport pandas as pdimport jsonfrom plotly.subplots import make_subplotswithopen("brazil-states.geojson", "r", encoding="utf-8") as f: geojson_brasil = json.load(f)estados_nordeste = ['Alagoas', 'Bahia', 'Ceará', 'Maranhão', 'Paraíba','Pernambuco', 'Piauí', 'Rio Grande do Norte', 'Sergipe']df_estados = pd.DataFrame({'Estado': [feature['properties']['name'] for feature in geojson_brasil['features']],'Região': ['Nordeste'if feature['properties']['name'] in estados_nordeste else'Outros'for feature in geojson_brasil['features']]})df_destacado = pd.DataFrame({'Estado': [feature['properties']['name'] for feature in geojson_brasil['features'] if feature['properties']['name'] in estados_nordeste],'Grupo': ['Paraíba'if feature['properties']['name'] =='Paraíba'else'Outro Nordeste'for feature in geojson_brasil['features'] if feature['properties']['name'] in estados_nordeste]})capitais = pd.DataFrame({'Cidade': ['Maceió', 'Salvador', 'Fortaleza', 'São Luís', 'João Pessoa','Recife', 'Teresina', 'Natal', 'Aracaju'],'Lat': [-9.6658, -12.9714, -3.7319, -2.5307, -7.1153,-8.0476, -5.0892, -5.7945, -10.9472],'Lon': [-35.7350, -38.5014, -38.5267, -44.3028, -34.8631,-34.8770, -42.8016, -35.2110, -37.0731]})fig1 = px.choropleth( df_estados, geojson=geojson_brasil, locations="Estado", featureidkey="properties.name", color="Região", color_discrete_map={'Nordeste': 'salmon', 'Outros': 'lightgray'}, labels={'Região': 'Região'})fig2 = px.choropleth( df_destacado, geojson=geojson_brasil, locations="Estado", featureidkey="properties.name", color="Grupo", color_discrete_map={'Paraíba': 'orange', 'Outro Nordeste': 'salmon'}, labels={'Grupo': 'Grupo'})fig2.add_trace(go.Scattergeo( lon=capitais["Lon"], lat=capitais["Lat"], text=capitais["Cidade"], mode='markers+text', marker=dict(size=12, symbol='triangle-up', color='black'), textposition="top center", name='Cidade'))fig_combined = make_subplots( rows=1, cols=2, subplot_titles=("Brasil com Região Nordeste", "Capitais do Nordeste"), specs=[[{"type": "choropleth"}, {"type": "choropleth"}]])for trace in fig1.data: fig_combined.add_trace(trace, row=1, col=1)for trace in fig2.data: fig_combined.add_trace(trace, row=1, col=2)fig_combined.update_layout( height=700, width=1300, showlegend=True, font=dict(family="Arial", size=16), geo=dict( projection_type='mercator', center={"lat": -14.5, "lon": -52}, fitbounds="locations", visible=False ), geo2=dict( projection_type='mercator', center={"lat": -9, "lon": -38.5}, lonaxis=dict(range=[-50, -30]), lataxis=dict(range=[-20, 5]), visible=False ))fig_combined.show()